D2K-Bench 基准测试：LLM Agent 能否把专家设计转化为高效 GPU 内核

D2K-Bench 是一个包含 26 个任务和 85 个工作负载的诊断型基准，用于衡量 LLM Agent 在专家设计指导（L1 算法洞察、L2 数据流设计、L3 底层优化技巧）下生成 GPU 内核的效率。在 NVIDIA B200 GPU 上测试五个模型，专家指导使 130 个模型-任务对的正确率从 93.1% 提升到 98.5%，26 个任务的 Performance Score 从 1.46 升至 1.95。GPT-6-Astra、Claude-Opus-4.8 和 GPT-5.6-Sol 三个前沿模型的几何平均加速比从 1.69 倍提高到 2.49 倍。五个模型的平均综合实现得分从 57 分提升到 70 分（满分 100）。